有没有相关的论文或文献参考？
这个数据集是基于什么背景创建的？
数据集的作者是谁？
能帮我联系到这个数据集的作者吗？
这个数据集如何下载？
Shopping cart filled with jackets and cans in a church, Los Angeles, 1999|社会环境数据集|城市生活数据集
收藏Mendeley Data2024-01-31 更新2024-06-27 收录
下载链接：
https://digitallibrary.usc.edu/asset-management/2A3BF1B4C264
下载链接
链接失效反馈资源简介：
Photograph of a shopping cart filled with jackets and cans in a church, Los Angeles, 1999. A shopping cart filled with jackets, plastic trash bags, plastic bottles and aluminum cans stands in the middle of what appears to be a church where other patrons are seated in plastic chairs or standing around.
创建时间：
2024-01-31
数据主题
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集
ERIC (Education Resources Information Center)
ERIC (Education Resources Information Center) 是一个广泛的教育文献数据库，包含超过130万条记录，涵盖从1966年至今的教育研究、政策和实践。数据集内容包括教育相关的期刊文章、书籍、研究报告、会议论文、技术报告、政策文件等。
eric.ed.gov 收录
MMOral
MMOral是一个针对全景X光片解读的大规模多模态指令数据集和基准。它包括20,563张带有1.3百万条指令跟随实例的注释图像，涵盖了多种任务类型，如属性提取、报告生成、视觉问答和基于图像的对话。此外，我们还提出了MMOral-Bench，这是一个涵盖牙科五个关键诊断维度的综合评估套件。我们评估了64个LVLMs在MMOral-Bench上的表现，发现即使是表现最好的模型GPT-4o，也只能达到41.45%的准确率，这揭示了当前模型在这一领域的显著局限性。为了促进该特定领域的发展，我们还提出了OralGPT，它使用我们精心策划的MMOral指令数据集对Qwen2.5-VL-7B进行监督微调。值得注意的是，一个SFT周期就为LVLMs带来了显著的性能提升，例如，OralGPT表现出24.73%的改进。MMOral和OralGPT都具有作为智能牙科关键基础的巨大潜力，并使牙科领域中的多模态AI系统更具临床意义。数据集、模型、基准和评估套件可在上述网址获取。
arXiv 收录
Allen Brain Atlas
Allen Brain Atlas 是一个综合性的脑图谱数据库，提供了详细的大脑解剖结构、基因表达数据、神经元连接信息等。该数据集包括了小鼠、人类和其他模式生物的大脑数据，旨在帮助研究人员理解大脑的结构和功能。
portal.brain-map.org 收录
XS-Video
XS-Video数据集是由中国科学院自动化研究所MAIS实验室提出的一个大规模现实世界短视频传播数据集。该数据集收集了来自中国五大平台（抖音、快手、西瓜视频、今日头条、哔哩哔哩）的117720个短视频，包含381926个样本和535个话题，覆盖了从发布后的互动信息，如观看、点赞、分享、收藏、粉丝和评论等。数据集通过跨平台指标对齐方法，对视频的长期传播影响力进行评分，分为0到9级，旨在为短视频传播研究提供全面的互动信息和内容特征。
arXiv 收录
DIV2K
displayName: DIV2K labelTypes: [] license: - DIV2K Custom mediaTypes: - Image paperUrl: https://doi.org/10.1109/CVPRW.2017.150 publishDate: "2017" publishUrl: https://data.vision.ee.ethz.ch/cvl/DIV2K/ publisher: - ETH Zurich tags: - RGB Image taskTypes: - Image Super-resolution --- # 数据集介绍 ## 简介 DIV2K数据集分为: 列车数据: 从800高清高分辨率图像开始，我们获得相应的低分辨率图像，并为2、3和4个降尺度因子提供高分辨率和低分辨率图像 验证数据: 100高清晰度高分辨率图像用于生成低分辨率对应图像，低分辨率从挑战开始提供，并用于参与者从验证服务器获得在线反馈; 当挑战的最后阶段开始时，高分辨率图像将被释放。 测试数据: 100多样的图像用于生成低分辨率的相应图像; 参与者将在最终评估阶段开始时收到低分辨率图像，并在挑战结束并确定获胜者后宣布结果。 ## 引文 ``` @inproceedings{agustsson2017ntire, title={Ntire 2017 challenge on single image super-resolution: Dataset and study}, author={Agustsson, Eirikur and Timofte, Radu}, booktitle={Proceedings of the IEEE conference on computer vision and pattern recognition workshops}, pages={126--135}, year={2017} } ``` ## Download dataset :modelscope-code[]{type="git"}
魔搭社区 收录